pencocokan kurva - staff site universitas negeri...
TRANSCRIPT
BAB VI
PENCOCOKAN KURVA
Pendahuluan
Pencocokan kurva merupakan suatu teknik yang penting dan sangat diperlukan
untuk menghandle data hasil pengukuran suatu variabel, sehingga diperoleh gambaran
yang jelas mengenai sifat-sifat atau perilaku variabel yang kita ukur. Ada dua alasan
mengapa kebutuhan mencocokkan ke kurva dari data hasil pengukuran ini penting.
Pertama, dengan cara fitting ini bisa memberikan gambaran secara matematis mengenai
hubungan antara dua variabel yang diukur. Kedua, dari persamaan kurva yang dipeoleh
dapat digunakan untuk memprediksikan harga variabel tak bebas di suatu titik dengan
cara menginterpolasi diantara harga-harga terukur.
Dalam hubungannya dengan sains dan teknik, misalnya kita mengukur suatu
besaran fisis tertentu, sering ditemukan data hasil pengukuran yang tidak rapi atau
berfluktuasi tidak karuan. Dengan cara mecocokkan data ke kurva tertentu akan dapat
ditunjukkan adanya kecenderungan membentuk pola tertentu. Fluktuasi hasil pengukuran
dapat berupa kesalahan random sistem pengukuran atau perilaku stokastik intrinsic sistem
yang diukur. Apapun alasannya, kebutuhan mencocokkan hasil pengukuran tersebut
kepada suatu fungsi sangat diperlukan. Jelasnya, untuk mendapatkan gambaran yang
komprehensif tentang perilaku besaran fisis yang telah diukur, kita perlu melakukan
fitting data . Sebagai contoh, seorang fisikawan hendak menemukan suatu hubunagn
antara hambatan terpasang dengan besarnya arus yang mengalir dalam suatu rangkaian
tertutup, atau seorang ahli ekonomi ingin mendapatkan gambaran tentang trend
ekonomipada masa yang akan datang. Untuk keperluan tersebut, seorang ekonom akan
menggunakan perangkat data yang diperoleh dari data beberapa tahun sebelumnya.
Selanjutnya, dia akan melakukan fitting data variabel ekonomi tersebut kepada kurva
tertentu.
Metode yang paling sederhana untuk mencocokkan data kepada suatu kurva
tertentu adalah dengan mengeplot titik-titik data tersebut dan menarik garis yang
bersesuaian dengan data tersebut. Kalau hal ini yang dilakukan, maka masalah yang
timbul kemudian adalah cara menginterpretasikan data hasil pengukuran tersebut Dalam
hal ini jelas akan bergantung kepada subyektivitas dari peneliti itu sendiri. Sebagai
contoh, pada gambar 6.1 ditampilkan empat hasil pencocokan data kepada kurva yang
dilakukan oleh empat peneliti.
.
6.1 Regresi Linier
Regresi linier adalah sebuah metode pencarian persamaan linier berdasarkan pada
seperangkat titik data hasil pengukuran. Untuk lebih jelasnya, kita akan mengambil
sebuah contoh data pengukuran suhu dalam sepuluh menit seperti terlihat pada tabel 6.1.
Dengan data yang kita miliki tersebut, kita dapat menarik garis semau kita yang sama-
sama dekat dengan titik data, meskipun tidak ada satupun garis melewati tepat pada titik-
titik data tersebut (lihat gambar 6.1). Pertanyaan selanjutnya adalah, bagaimanakah
caranya untuk memperoleh persamaan garis yang cocok dengan data pengukuran itu
sehingga diperoleh simpangan minimal. Untuk tujuan ini, dimisalkan fungsi pendekatan
linier ini dinyatakan oleh
Gambar 6.1. Empat eksperimen yang dilakukan oleh empat peneliti menghasilkan enam data. Pencocokan data kepada suatu kurva dilakukan menurut subyektivitas peneliti sendiri.
(6-1)
dimana dan merupakan konstanta-konstanta sembarang.
Table 6.1No. Waktu (menit) Suhu
(Celcius)1 0,0 1,12 1,0 2,83 2,0 2,94 3,0 4,95 4,0 4,86 5,0 6,37 6,0 6,18 7,0 8,29 8,0 7,910 9,0 8,511 10,0 9,6
Penyimpangan setiap titik data dengan fungsi dinyatakan oleh
Gambar 6.1 Plot data pengukuran dari tabel 6.1
(6-2)
dengan M merupakan jumlah total titik-titik data. Simpangan harga antara besaran yang
teramati (observed value) yang dinyatakan oleh dengan harga prediksi (predicted
value) yang dinyatakan oleh juga sering disebut residu. Dalam contoh tersebut kita
memiliki sebelas titik data, dengan dan merupakan konstanta-konstanta yang akan
ditentukan kemudian. Selanjutnya, kita dapat menyatakan total kuadrat simpangan data
(residu) diberikan oleh
(6-3)
Oleh karena dan merupakan parameter-parameter sembarang, maka untuk
menentukan harga dari dua parameter tersebut harus dilakukan dengan cara
meminimisasi D. Minimisasi terhadap total kuadrat simpangan dinyatakan dengan
menurunkan satu kali D terhadap parameter a dan b, atau jika dituliskan secara
matematis bentuknya adalah
(6-4)
Penjumlahan suku-suku pada ungkapan (6-4) dimulai dari sampai dengan .
Pada keadaan minimum, turunan D terhadap a dan b sama dengan nol. Oleh sebab itu,
ungkapan (6-4) dapat dinyatakan kembali sebagai
(6-5)
Dari syarat (6-4) kita dapat mendefinisikan bentuk-bentuk jumlahan (sum)
sebagai berikut
(6-6)
Dalam persamaan tersebut indeks i bergerak dari 1 sampai M.
Dengan definisi (6-5) tersebut, maka kita memiliki dua persamaan linier simultan
sebagai berikut
(6-7)
Atau jika disajikan dalam bentuk matriks, maka persamaan linier (6-7) dapat dituliskan
kembali menjadi
(6-8)
Penyelesaian dua persamaan linier simultan dengan dua variabel tak diketaui
dapat dinyatakan sebagai
(6-9)
dimana
Contoh 6.1
Gunakan cara regresi linier untuk memperoleh fungsi linier paling cocok dengan
data hasil pengukuran suhu setiap waktu seperti terlihat pada table 6.1
Penyelesaian
Untuk menyelesaikan masalah ini, pertama kali yang perlu dilakukan adalah
menentukan koefisien-koefisien persamaan (6-5) dan hasilnya terlihat pada table 6.2
Tabel 6.2
i
1 0,0 1,1 0,0 0,02 1,0 2,8 1,0 2,83 2,0 2,9 4,0 5,84 3,0 4,9 9,0 14,75 4,0 4,8 16,0 19,26 5,0 6,3 25,0 31,57 6,0 6,1 36,0 36,68 7,0 8,2 49,0 57,4
9 8,0 7,9 64,0 63,210 9,0 8,5 81,0 76,511 10,0 9,6 100,0 96,0
Dari table 6.2 kita memperoleh data perhitungan untuk elemen-elemen matriks sebagai
berikut
atau
Dengan menggunakan pernyataan (6-8) maka kita dapat memperoleh harga parameter
dan sebagai berikut
Setelah koefisien persamaan linier kita temukan, maka persamaan garis dari hasil regresi
linier adalah
Simpangan setiap titik data terhadap grafik hasil regresi linier dapat dilihat pada tabel 6.3Gambar 6.3 Grafik hasil regresi linier
Tabel 6.3
i Simpangan
1 0,0 1,1 1,7273 -0.6273 2 1,0 2,8 2,5291 0.2709 3 2,0 2,9 3,3309 -0.4309 4 3,0 4,9 4,1327 0.7673 5 4,0 4,8 4,9345 -0.1345 6 5,0 6,3 5,7364 0.5636 7 6,0 6,1 6,5382 -0.43828 7,0 8,2 7,3400 0.8600 9 8,0 7,9 8,1418 -0.2418 10 9,0 8,5 8.9436 -0.4436 11 10,0 9,6 9,7455 -0.1455
6.2 Pencocokan Data dengan Fungsi Eksponensial
Metode regresi linier dapat pula digunakan untuk mencocokkan data terhadap
fungsi-fungsi eksponensial dalam beberapa kasus. Kita ingat kembali, secara umum
fungsi eksponensial dapat dinyatakan sebgai
(6-10)
Dalam hal ini, fungsi eksponensial memerikan banyak fenomena yang berbeda-beda di
dalam ilmu teknik. Parameter a dan b dapat kita tentukan dengan sedikit manipulasi
matematis dasar. Misalnya sekarang kita ambil logaritma alamiah untuk kedua ruas
persamaan (6-10), maka kita peroleh ungkapan
(6-11)
Dengan menggunakan definisi
(6-12)
maka ungkapan (6-8) menjadi
(6-13)
yang merupakan persamaan garis lurus (tetapi perlu diingat bahwa bentuk ini tidak sama
dengan persamaan garis lurus yang kita kenalkan sebelumya). Jadi kita dapat
mencocokkan seperangkat data dengan suatu fungsi eksponensial dengan cara seperti
yang kita lakukan pada garis lurus. Dengan mensubstitusi u atau untuk variabel tak
bebas, parameter b untuk lereng (slope) dan c untuk perpotongan pada sumbu u, maka
kita memperoleh satu garis lurus, yaitu
(6-14)
Jika ditampilkan dalam bentuk matriks, maka persamaan (6-14) menjadi
(6-15)
Dari ungkapan matriks (6-15), maka koefisien b dan c dapat ditentukan masing-masing
adalah
(6-16)
Selanjutnya, koefisien a dapat diperoleh kembali dengan mengambil antilogaritma dari
parameter c yang sudah kita ketahui harganya, yaitu
(6-17)
Contoh 6.2
Penampilan sifat transien dari sebuah kapasitor dapat dikaji dengan menempatkan
sebuah resistor paralel dengan kapasitor tersebut. Apabila mula-mula tegangan pada
kapasitor adalah 10 volt, maka secara berangsur-angsur tegangan pada kapasitor tersebut
berkurang. Data hasil pengukuran tegangan sebagai fungsi waktu tersebut terlihat pada
tabel 6.4.
Tabel 6.4
Waktu (detik)
Tegangan (volt)
0 101 6,12 3,73 2,24 1,45 0,86 0,57 0,38 0,29 0,110 0,0711 0,03
Dengan komponen elektrik semacam ini, maka tegangannya akan berubah
terhadap waktu seperti terlihat pada gambar 6.4. Selanjutnya, kita akan melakukan
pencocokan kurva terhadap kelompok data tersebut dengan menggunakan metode
kuadrat terkecil sehingga diperoleh grafik linier seperti yang kita harapkan.
Gambar 6.4 Perubahan tegangan kapasitor terhadap waktu.
Untuk menerapkan metode kuadrat terkecil pada kelompok data hasil pengukuran
yang kita miliki, pertama kita mewakilkan x sebagai variabel bebas, dalam hal ini adalah
sumbu waktu. Kedua, variabel tak bebas, yaitu sumbu tegangan diwakili oleh y. Hasil
selengkapnya dapat dilihat pada tabel 6.5 dan grafik hasil regresi linier dapat dilihat pada
gambar 6.5.
Tabel 6.5
i
1 0 0 10 2.302 02 1 1 6.1 1.808 1.8083 2 4 3.7 1.308 2.6164 3 9 2.2 0.788 2.3655 4 16 1.4 0.336 1.3456 5 25 0.8 -0.223 -1.1157 6 36 0.5 -0.693 -4.1588 7 49 0.3 -1.203 -8.4279 8 64 0.2 -1.609 -12.87510 9 81 0.1 -2.302 -20.72311 10 100 0.07 -2.659 -26.59212 11 121 0.03 -3.506 -42.078
Jumlah
Gambar 6.5 Grafik hasil regresi linier tabel 6.5
Dengan mensubstitusi harga-harga dari tabel 6.5 yang sesuai pada persamaan
(6.14), maka kita akan mendapatkan dua persamaan linier dengan dua variabel
semabarang a dan b yaitu
Penyelesaian dua persamaan simultan linier diatas dapat dilakukan dengan
mengingat kembali persamaan (6-16), yaitu b = -0.5706 dan c = 2.5355. Oleh sebab itu,
harga a dapat diperoleh dengan mengingat kembali ungkapan (6-17) yaitu
sehingga fungsi eksponensial (6-10) dapat dinyatakan secara eksplisi yaitu
6.3 Pencocokan Dta Menggunakan Fungsi Berpangkat
Fungsi berpangkat merupakan fungsi matematis yang memiliki bentuk umum
(6-18)
dengan a dan b merupakan konstanta-konstanta persamaan linier yang akan ditentukan
melalui teknik regresi linier. Untuk menerapkan metode kuadrat terkecil pada persamaan
(6-18) tersebut, maka kita harus mengambil logaritma alamiahnya pada kedua ruas
persamaan sehingga diperoleh ungkapan
(6-19)
Dengan menggunakan definisi
(6-20)
maka persamaan (6-19) dapat kita tuliskan kembali menjadi
(6-21)
yang merupakan persamaan untuk garis lurus. Untuk menerapkan metode kuadrat terkecil
pada masalah ini, maka dapat dilakukan langkah-langkah analogi pada ungkapan (6-4)
sampai dengan (6-8) sehingga diperoleh ungkapan
(6-22)
Sehingga harga-harga untuk konstanta a dan b dapat ditentukan melalui hubungan
(6-23)
Setelah ditemukan harga untuk parameter b dan c, maka harga a dapat ditemukan
kembali melalui hubungan
(6-24)
Contoh 6.3
Pengukuran terhadap suatu besaran fisika menghasilkan sejumlah data seperti
ditunjukkan pada tabel 6.6 atau secara visual ditampilkan pada gambar 6.6. Lakukan
pencocokan kurva pada sekelompok data tersebut.
Tabel 6.6
1. 0.1400 4.09642. 0.4300 4.72843. 0.5800 5.22314. 0.9100 5.99845. 1.3000 6.89896. 2.0000 7.23077. 2.2000 7.33068. 2.5000 7.87569. 2.7000 7.990810. 3.2000 8.130311. 3.5000 8.430212. 4.1000 8.544413. 4.4000 8.893114. 4.9000 9.043215. 6.3000 9.3240
Penyelesaian
Untuk menyelesaikan masalah ini, langkah pertama adalah menyatakan data hasil
pengukuran tersebut dalam dan seperti terlihat pada table 6.7.
Tabel 6.7
1. -1.9661 3.8656 1.4101 -2.7724 2. -0.8440 0.7123 1.5536 -1.3112 3. -0.5447 0.2967 1.6531 -0.9005 4. -0.0943 0.0089 1.7915 -0.1690 5. 0.2624 0.0688 1.9314 0.5067 6. 0.6931 0.4805 1.9783 1.3713 7. 0.7885 0.6217 1.9921 1.57078. 0.9163 0.8396 2.0638 1.8910 9. 0.9933 0.9865 2.0783 2.0643 10. 1.1632 1.3529 2.0956 2.4375 11. 1.2528 1.5694 2.1318 2.6707 12. 1.4110 1.9909 2.1453 3.0270 13. 1.4816 2.1952 2.1853 3.2377 14. 1.5892 2.5257 2.2020 3.499515. 1.8405 3.3876 2.2326 4.1092
20.9023 21.2324
Gambar 6.6 Plot data hasil pengukuran pada tabel 6.6 dalam sekala linier
Dengan menggunakan metode regresi linier, maka pencocokan data kepada kurva linier
yang berperilaku logaritmik menghasilkan persamaan garis yang dinyatakan oleh
atau
Selanjutnya, fungsi berpangkat sebagai hasil dari pencocokan data tersebut dalam
koordinat kartesan menjadi
6.4 Regresi Polinomial
Pada pasal terdahulu kita telah membicarakan tentang regresi linier yang bekerja
pada data hasil pengukuran yang bersifat linier intrinsik. Tetapi, kita terpaksa harus
menelan rasa kecewa pada metode ini, yakni ketika data yang kita peroleh tidak memiliki
sifat linier. Mengapa ? Karena penggunaan metode regresi linier seperti dipaksakan
Gambar 6.5 Grafik hasil regresi linier tabel 6.7
hanya untuk mengikuti ambisi kita bahwa grafik hasil pengukuran harus linier. Nah,
untuk mengobati rasa kecewa tersebut pada pasal ini kita akan membahas regresi
polinomial yang mana untuk beberapa kasus metode ini akan memberikan hasil yang
lebih cocok dengan kenyataan.
Prinsip dari metode kuadrat terkecil dapat diperluas lagi untuk pencocokan data
hasil pengukuran kepada sebuah polinomial orde tertentu . secara umum, polinomial
berorde ke N dapat dituliskan sebagai
(6-25)
Simpangan kurva terhadap tiap-tiap titik data dapat dinyatakan sebagai
(6-26)
dimana M adalah jumlah titik data. Selanjutnya, total kuadrat simpangannya dinyatakan
oleh
(6-27)
Untuk memperoleh harga-harga koefisien polinomial, maka kita harus
menurunkan secara parsial persamaan (6-27) terhadap koefisien-koefisien tersebut. Pada
keadaan dimana total simpangannya berada pada titik ekstrim, maka turunannya sama
dengan nol.
(6-28)
Persamaan-persamaan pada (6-28) selanjutnya akan kita susun kembali untuk
memperoleh bentuk yang lebih manis, sehingga lebih mudah untuk ditangani.
(6-29)
Pernyataan (6-29) dapat kita nyatakan dalam bentuk matriks yaitu,
(6-30)
Harga koefisien-koefisien polinomial di atas dapat ditentukan dengan cara menyelesaikan
persamaan linier simultan (6-30) misalnya dengan metode eliminasi Gauss atau Gauss-
Jordan.
Contoh 6.4.
Lakukan pencocokan data hasil pengukuran seperti terlihat pada tabel 6.6 kepada
polynomial kuadratik.
Penyelesaian
Persamaan simultan untuk menemukan harga koefisien-koefisien kuadratik dalam
masalah ini secara umum mengambil bentuk
Untuk masing-masing elemen matriks persamaan simultan di atas dapat dilihat pada tabel 6.8.
Tabel 6.8
1. 0.1400 0.0196 0.0027 0.000 4.0964 0.5735 0.0803 2. 0.4300 0.1849 0.0795 0.034 4.7284 2.0332 0.8743 3. 0.5800 0.3364 0.1951 0.113 5.2231 3.0294 1.7571
4. 0.9100 0.8281 0.7536 0.685 5.9984 5.4585 4.9673 5. 1.3000 1.6900 2.1970 2.900 6.8989 8.9686 11.6591 6. 2.0000 4.0000 8.0000 16.400 7.2307 14.4614 28.9228 7. 2.2000 4.8400 10.6480 23.400 7.3306 16.1273 35.48018. 2.5000 6.2500 15.6250 39.100 7.8756 19.6890 49.2225 9. 2.7000 7.2900 19.6830 53.100 7.9908 21.5752 58.2529
10. 3.2000 10.2400 32.7680 104.900 8.1303 26.0170 83.2543 11. 3.5000 12.2500 42.8750 150.100 8.4302 29.5057 103.2699 12. 4.1000 16.8100 68.9210 282.600 8.5444 35.0320 143.6314 13. 4.4000 19.3600 85.1840 374.800 8.8931 39.1296 172.1704 14. 4.9000 24.0100 117.6490 576.500 9.0432 44.3117 217.127215. 6.3000 39.6900 250.0470 1575.300 9.3240 58.7412 370.0696
Jmlh 39.1600 147.7990 654.6279 3199.000 109.7381 324.6533 1280.007
Secara eksplisit, persamaan linier simultan untuk menemukan
selanjutnya dapat ditampilkan dalam bentuk matriks yaitu
Dengan menyelesaikannya menggunakan metode eliminasi Gauss atau Gauss-Jordan,
maka diperoleh harga-harga
Polinomial kuadratik hasil pencocokan selanjutnya dapat dinyatakan sebagai
seperti diperlihatkan pada gambar 6.6.
Tabel 6.9
Polinomial Simpangan1. 0.1400 4.0964 4.4754 -0.3790 2. 0.4300 4.7284 4.9697 -0.2413 3. 0.5800 5.2231 5.2146 0.0085 4. 0.9100 5.9984 5.7277 0.2707 5. 1.3000 6.8989 6.2884 0.6105
6. 2.0000 7.2307 7.1706 0.0601 7. 2.2000 7.3306 7.3934 -0.06288. 2.5000 7.8756 7.7032 0.1724 9. 2.7000 7.9908 7.8934 0.0974
10. 3.2000 8.1303 8.3121 -0.1818 11. 3.5000 8.4302 8.5242 -0.0940 12. 4.1000 8.5444 8.8607 -0.3163 13. 4.4000 8.8931 8.9850 -0.0919 14. 4.9000 9.0432 9.1271 -0.083915. 6.3000 9.3240 9.0923 0.2317
6.4 Pencocokan Data kepada Kurva Kombinasi Linier Fungsi-Fungsi
Ide dasar dari pencocokan kurva dengan kombinasi linier fungsi-fungsi ini
sebenarnya berasal regresi polinomial. Lalu apa bedanya? Bedanya adalah, jika pada
regresi polinomial kita menggunakan kombinasi linier fungsi dengan argumen sejenis dan
orde yang berbeda atau kita biasa menyebutnya dengan polinomial, sedangkan
pencocokan kurva yang akan kita bahas ini menggunakan kombinasi linier dari fungsi-
fungsi yang tidak sejenis.
Gambar 6.6 Grafik hasil pencocokan data yangditunjukkan pada tabel 6.6 kepada polinomial.
Secara umum, polinomial sebagai kombinasi dari fungsi-fungsi tidak sejenis
dapat dinyatakan sebagai
(6-31)
dengan merupakan fungsi-fungsi yang telah diketahui, dan adalah
koefisien-koefisien yang akan ditentukan kemudian dan adalah jumlah total fungsi
yang kita kombinasikan secara linier.
Seperti halnya dengan beberapa metode yang telah dibahas di depan, maka
simpangan dari tiap-tiap titik data terhadap fungsi kurva yang digunakan untuk
pencocokan didefinisikan oleh
(6-32)
Total kuadrat simpangan (6-18) didefinisikan sebagai
(6-33)
Untuk memperoleh harga koefisien-koefisien , maka kita perlu
melakukan pengambilan derivatif parsial D terhadap koefisien-koefisien tersebut dengan
nol, sehingga kita bertemu lagi dengan pernyataan
(6-34)
Jika persamaan (6-34) diperlihatkan secara eksplisit berbentuk
(6-35)
Penampilan dalam bentuk matriks pernyataan (6-35) menjadi lebih sederhana yaitu,
(6-36)
Persamaan (6-36) memiliki buah persamaan dengan koefisien tak
diketahui. Penyelesaian dari persamaan linier simultan ini dapat dilakukan dengan
menggunakan metode eliminasi Gauss atau Gauss-Jordan.
Contoh 6.4
Lakukan pencocokan kurva menggunakan fungsi kombinasi linier terhadap data yang
diperoleh dari pengukuran suatu besaran fisika seperti terlihat pada tabel 6.10. Fungsi
kombinasi linier diberikan
Tabel 6.10
X Y
0.1 0.01
0.2 0.06
0.3 0.1
0.5 0.33
0.7 0.56
0.9 1.00
Penyelesaian
Dengan menggunakan prosedur seperti yang diberikan pada persamaan simultan
linier dalam bentuk matriks (6-36), maka diperoleh bentuk persamaan matriks sebagai
berikut,
Penyelesaian menggunakan metode eliminasi Gauss terhadap persamaan matriks
di atas diperoleh harga koefisien-koefisien fungsi hasil kombinasi linier sebagai berikut
Fungsin
Koefisien
1 0.00232 1.21623 -0.0012
Evaluasi terhadap kesalahan diberikan pada tabel 6.11 dan grafik pencocokan data
diberikan pada gambar 6.7.
Tabel 6.11
Kurva yang dicocokkan
Simpangan
1 0.1 0.01 0.0143 -0.0043
2 0.2 0.06 0.0507 0.0093
3 0.3 0.1 0.1114 -0.0114
4 0.5 0.33 0.3058 0.0242
5 0.7 0.56 0.5975 -0.0375
6 0.9 1.00 0.9865 0.0135
Gambar 6.7. Grafik hasil pencocokan data pada tabel 6.8
SOAL LATIHAN
1. Pengukuran terhadap suatu besaran fisika menghasilkan sejumlah data seperti
terlihat pada tabel dibawah ini. Gunakan metode regresi linier untuk memperoleh
fungsi linier yang dicocokkan kepada titik-titik data tersebut.
1 1,0 2.1
2 1,5 3.2
3 2,0 4.4
4 2,5 5.4
5 3,0 6.4
6 3,5 7,5
7 4,0 9,0
2. Tentukan fungsi linier yang dicocokkan kepada titik-titik data berikut dengan
metode kuarat terkecil. Kemudian gambarlah grafik data dan regresi
1 0,1 8,1
2 0,2 7,2
3 0,3 6,8
4 0,4 6,6
5 0,5 5,4
6 0,6 5,0
7 0,7 4,3
8 0,8 2,6
9 0,9 1,4
10 1,0 0,5
3. Cocokkan suatu polinomial kuadratik terhadap sekelompok data berikut.
I
1 0 0,1
2 1 0,8
3 2 3,5
4 3 10,4
5 4 13,5
6 5 27,3
4. Cocokkan suatu polinomial kuadratik terhadap sekelompok data dan berikan
evaluasi simpangannya berikut. Kemudian gambarlah grafik data dan
polinomianya.
1 0,0 0
2 0,1 0,03
3 0,2 0,08
4 0,3 0,12
5 0,4 0,20
6 0,5 0,37
7 0,6 0,40
5. Gunakan metode kuadrat terkecil untuk mencocokkan garis lurus terhadap data
pada tabel di bawah ini
0 0
0.002 0.618
0.004 1.1756
0.006 1.618
0.008 1.9021
Selanjutnya, kemiringan garis yang anda peroleh. Gambarlah grafik data dan garis
rersi. Ulangi pertanyaan awal tetapi menggunakan polinomial orde kedua dan
ketiga. Bandingkan simpangannya ketiga polinomial tersebut.
6. Cocokkan sebuah fungsi kuadratik kepada data berikut dan gambarlah kurva
yang telah dicocokkan tersebut terhadap titik-titik data :
1 0 0
2 0.2 5.43
3 0.4 8.65
4 0.6 5,32
5 0.8 2,54
6 1 0,23
7 1,2 0,01
7. Cocokkan data kepada polinomial dibawah ini
untuk tabel berikut
1 0.1 0
2 0.2 2.1220
3 0.3 3.0244
4 0.4 3.2568
5 0.5 3.1399
6 0.6 2.8579
7 0.7 2.5140
8 0.8 2.1639
9 0.9 1.8358
8. Cocokkan data hasil pengukuran di bawah ini dengan polinomial orde dua
i 1 2 3 4 5 6
x 0 0.5 1.0 1.5 2.0 2.7
y 0 0.25 1.0 2.25 4.0 6.25